DOI QR코드

DOI QR Code

A Study on the Corelation between the Variation of Land Cover and Groundwater Recharge Using the Analysis of Landsat-8 OLI Data

Landsat-8 위성을 통한 토지피복 변화와 지하수 함양량 상관성 고찰

  • 박승혁 (중앙컨설턴트(주) 지하수환경부 부장) ;
  • 정교철 (안동대학교 지구환경과학과 교수)
  • Received : 2020.09.07
  • Accepted : 2020.09.17
  • Published : 2020.09.30

Abstract

Based on monthly average groundwater recharge over a nearly 10 year period, results of fully integrated hydrologic modeling of SWAT-MODFLOW, land cover, land use, soil type and hydrologic response unit (HRU) was used to assess the dominant influencing factors of groundwater recharge spatial patterns in Jangseong district. As dominant factors, land cover was FRSE (forest-evergreen) and soil type was Samgag. Landsat-8 OLI imaging spectrometer data were acquired in the period 2003 to 2004 and seasonal bare soil lines (BSL) were estimated through NIR-RED plot. Extent of slope of BSL was from 1.092 to 1.343 and the intercept was from -0.004 to -0.015. To know correlation between spatial groundwater recharge and soil-vegetation indices (PVI, NDVI, NDTI, NDRI), this study employed frequency and regression analysis. On May, RED band increased up 3 to 4 times compared to other seasons and only one turning point appeared as recharge-index with upward parabola bell shape as results of existing research. Considering precipitation, if the various studies for relationship between groundwater recharge and soil-vegetation index just like NDVI are performed, it is possible to estimate groundwater recharge through analyzing remote sensing data.

SWAT-MODFLOW의 월평균 수문성분 자료를 바탕으로 지하수 함양관련 토양층의 측방유출, 침루량을 산정하는 기본자료인 수문응답단위(HRU)와 이를 구성하는 토지피복, 토지이용, 토양통에서 영향이 큰 지하수 함양량 인자를 분석하였다. 봄, 가을별 bare soil line(BSL)을 통해 PVI를 분석하고 기존의 NDVI, NDTI, NDRI와 함께 함양량 분포와 토양-식생관련 지수의 빈도분석과 회귀분석을 수행하였다. 그 결과 비정규분포 양상을 보이는 NDVI와 NDTI에서 매우 유의한 양의 상관성이 확인되었다. 연구지역의 bare soil line 기울기는 약 1.092~1.343, 절편은 약 -0.004~-0.015이며 상대적으로 월평균강우량이 우세한 5월에는 Red밴드가 다른 시기에 비해 약 3~4배 증가하고 2012년 Singhal and Goyal의 결과와 같이 포물선 형태의 유일한 1개의 변곡점이 발생하는 것을 확인하였다. 따라서 강우를 고려하여 지하수 함양과 토양-식생관련 지수에 대한 다양한 경우의 상관성 분석이 수행된다면, 위성영상자료를 통해 토양-식생에 따른 함양량 변화도 추정할 수 있을 것으로 기대된다.

Keywords

서론

얕은 대수층에서 지하수 함양은 매우 복잡한 과정을 거친다. 강우의 빈도, 강도, 지속시간 뿐만 아니라 온도, 습도, 풍속과 지하수위 상부에 존재하는 토양 및 암반층의 특성과 깊이, 지표의 지형과 식생 분포 및 토지이용과도 관련된다(Memon,1995). 특히 함양과정에서 식생과 토지이용은 그 과정 전체를 통제할 만큼 중요한 영향을 미치며 특히 식생은 그 형태와 분포 정도에 따라 증발산의 형태에 영향을 준다(Healy, 2010). 거시적인 관점에서는 토지피복의 식생화, 관개지역, 토지경작 등이 함양량의 변화에 영향을 준다. 식생화된 토지피복은 그렇지 않은 곳에 비해 증발산을 증가시키기 때문에 식생피복률(fractional vegetation cover, FAC)을 0에 가깝게 줄이거나 관개를 통해 많은 양의 물이 빠르게 유출되도록 한다면 함양량은 증가한다. 또한 토지경작은 토양구조를 개선하여 강우가 땅속으로 잘 침투하게 한다. 한편, 미시적인 관점에서는 농경지의 재배작물의 위조점(wilting point), 뿌리심도가 함양에 영향을 준다. 식물의 위조점의 증가는 식물이 빨아들이는 물의 양을 감소시키고 짧은 뿌리작물(shallow-rooted annual crop)은 긴뿌리 작물에 비해 적은 양의 물만 흡수하기 때문에 함양량을 증가시킨다(Scanlon et al., 2005). 따라서 이처럼 다양한 함양인자들의 복잡한 관계를 반영하여 지하수 함양량을 산정하기 위해 수치 모델링을 적용한 연구가 수행되었다(Tsutsumi et al., 2004; Chung et al., 2007). 이러한 결과를 바탕으로 토지이용별 지표유출량, 거주지역과 산림지역의 지하수위를 비교하여 지하수 함양모델에서 토지이용변화에 대한 영향을 규명하였고(Jinno et al., 2009), 제주도의 천미천 유역에서 한국형 유역수문모형 SWAT-K(soil and water assessment tool-Korea)를 사용하여 식생에 의한 차단(interception)효과는 전체 증발산량의 약 8~11%에 해당한다고 하였다(Chung et al., 2015). 전 세계 715개 지점에서 수행된 지하수 함양모델에 대해 입력변수별 단계적인 평가를 통해 강우와 잠재증발산 그리고 토지이용과 토지피복인자가 가장 의미있는 인자임을 밝혔고(Mohan et al., 2018), 터키의 Ergene강유역에서 지하수 함양의 공간적 분포에 대한 주요영향인자에 대해 격자기반 물수지모델인 mGROWA을 사용하여 주성분분석을 수행한 결과, 지하수 함양의 공간적 분포변화는 식생, 토양유형, 기후에 지배적인 영향을 받는다고 하였다(Rukundo and Dogan, 2019).

한편, 토지이용, 토지피복과 함께 지하수 함양인자 중의 하나인 토양 특성분포에 대한 연구는 최근 50년 동안 원격탐사 분야에서 매우 성공적으로 활발히 수행되었다(Sonmez and Slater, 2016). 식생에 대한 모니터링에 대해 ERTS MSS 위성영상의 밴드 5와 밴드 7의 차이가 녹색생물유기체(green biomass)에 민감하게 반응하는 것을 발견하고 밴드 5와 7의 합을 그 차이로 나눈 매개변수를 제시하였다(Rouse et al., 1973). 식생관련 지수에 대해 경험식과의 상관성을 정리하고 실제와 가상의 예시를 통해 유용성을 증명하였고(Perry and Lautenschlager, 1984), 원격탐사의 식생-토양관계식 개념은 토양유형을 구분할 수 있는 만큼 토양의 광학적인 특성을 잘 대변한다고 하였다(Baret et al., 1993). 실제 실험실에서 확인한 토양의 분광자료와 위성영상 자료와의 상관성은 결정계수 0.9로 매우 잘 맞는 것으로 나타났다(Demattẻ et al., 2009). 지하수 함양에서 강우와 식생밀도의 영향을 확인하기 위해 Modis 위성영상에서 정규화된 식생지수(NDVI)를 산정하고 지하수 함양량과 강우, 지하수 함양량과 NDVI 상관성은 결정계수 0.858의 회귀곡선식을 따른다고 하였다(Singhal and Goyal, 2012).

현재 원격탐사에서 가장 많이 활용되고 있는 인공위성은 Landsat-8이다. Landsat-8은 이전의 Landsat-7 ETM+의 단점을 보완한 지상의 광학적인 이미지 스캐너(optical land imager, OLI)와 근적외선 탐지기(thermal infrared system, TIRS)를 장착하여 15일에 한 번씩 동일지점에 대한 자료를 72시간 이내에 제공해 준다(USGS, 2019).

따라서 본 연구에서는 Landsat-8 OLI/TIRS 자료를 활용하여 장성지역에 대해 시공간적인 식생과 토지이용 관련 지수(PVI, NDVI, NDTI, NDRI)를 분석해 보고 장성지역에 대해 분포형 수문모형 SWAT-MODFLOW로 산정한 함양량과 비교하여 계절에 따른 함양량과 식생 및 토지분포와의 상관성을 살펴보고자 한다.

연구지역 및 지하수 함양량 분포

본 연구지역인 장성지역은 영산강 최상류에 위치하고 있으며 황룡강을 중심으로 유역이 형성되어 있다. 지류 연장은 1.45~15.54 km, 지류 경사는 0.001~0.041 m/m, 너비는 2.91~56.95 m, 깊이는 0.22~1.62 m, 표고는 14.17~305.33 m이다(Fig. 1, Table 1).

JJGHBG_2020_v30n3_347_f0001.png 이미지

Fig. 1. Location of monitoring point, stream, reservoir in the subbasin including Jangseong district (from MOLIT,2014).

Table 1. Summarized geomorphic properties of stream according to subbasin (modified from MOLIT,2014)

JJGHBG_2020_v30n3_347_t0001.png 이미지

장성지역은 환경부와 농업과학기술원에 따르면, 16개의 토지피복/토지이용과 87개의 토양통으로 분류되며 식생은 침엽수림, 토지이용은 논, 토양유형은 무등과 삼각 토양통이 우세하다(Table 2).

Table 2. Classification of land use and the dominant values of soil type (modified from chung et al., 2018)

JJGHBG_2020_v30n3_347_t0002.png 이미지

장성지역에 대한 수문성분별 모의를 위해 전체유역을 13개의 소유역으로 구분하고 각각의 소유역에 대해 토지피복과 토양도를 중첩하여 1,511개의 수문응답단위(hydrologic response unit, HRU)를 산정한 결과 FRSD/MUDEUNG이 가장 우세하고 다음으로 FRSE/SAMGAG 순으로 나타났다(Table 3).

Table 3. Dominant values of land use, soil type and HRU according to subbasin (modified from chung et al., 2018)

JJGHBG_2020_v30n3_347_t0003.png 이미지

상기 지형자료를 바탕으로 수문모형을 구축하고 검 ‧ 보정을 수행하여 2000년 1월~2014년 8월까지 모의기간 중에 워밍업기간을 제외한 2005~2013년까지 수문성분을 분석하였다(Table 4, Figs. 2, 3).

Table 4. Average monthly values of hydrological components using SWAT-MODFLOW (moditied from chung et al., 2018)

JJGHBG_2020_v30n3_347_t0004.png 이미지

Note. PRECIP: total amount of precipitation falling on the HRU, ET: actual evapotranspiration from the HRU, PERC: water that percolates past the root zone, SURQ: surface runoff contribution to streamflow in the main channel, GW_Q: groundwater contribution to streamflow, LATQ: lateral flow contribution to streamflow, WYLD: abbreviation of water yield, RCH: groundwater recharge to aquifer.

JJGHBG_2020_v30n3_347_f0002.png 이미지

Fig. 2. Time series data of observation compared to simulated results at monitoring point (from chung et al., 2018).

JJGHBG_2020_v30n3_347_f0003.png 이미지

Fig. 3. Comparison of spatial observation with simulated results for groundwater level (from chung et al., 2018).

국가에서 운영하는 지표수 유출관측지점 2개소와 지하수 관측지점 1개소에서 모의기간동안 결정계수값은 0.64~0.98이고 지하수 기초조사의 2014년 4월의 지하수 공간분포에 대해서도 결정계수값은 0.85로서 모의값은 관측값에 대해 신뢰성이 높은 것으로 판단된다.

모의된 연평균 함양량에 대해 대수층의 수리전도도, 토양유형, 토지피복 분포와 비교해 보면, 함양량은 대수층의 수리전도도 분포보다는 대수층 상부 토양층의 영향을 더 받는 것으로 나타난다(Fig. 4).

JJGHBG_2020_v30n3_347_f0004.png 이미지

Fig. 4. Distribution of annually average groundwater recharge and hydraulic conductivity compared to the dominant distribution for soil and land use (modified from chung et al., 2018).

CN값이 높게 나타나는 무등 토양통이 나타는 지점에서 함양량이 작고 CN값이 작은 삼각 토양통에서 함양량이 높은 것으로 나타나며 환경부 토지피복 분류상 비교적 관개가 잘 되어 있는 농경지(Agricultural Land-Row Crops, AGRR) 그리고 침엽수림(Forest-evergreen, FRSE)지역에서 함양량이 큰 것으로 추정된다.

따라서 함양량의 공간적 분포는 토지이용 및 토양유형의 영향을 받아 불균질적으로 나타나며 계절별 기상인자의 변화로 인해 Fig. 5와 같이 함양량의 시간적인 분포도 변화하는 것으로 판단된다.

JJGHBG_2020_v30n3_347_f0005.png 이미지

Fig. 5. Monthly average spatio-temporal distribution of simulated groundwater recharge on January, March, May, August, October, November (modified from chung et al., 2018).

상기 결과를 토대로 함양량의 불균질적인 분포에 영향을 주는 토양과 토지이용의 공간적 분포 특성을 효율적으로 제시할 수 있는 위성영상자료를 통해 함양량과의 상관성을 분석하였다.

위성영상 분석

본 연구지역에 대해 2013~2014년 조사기간 동안 분석에 사용할 위성영상으로 USGS에서 실시간으로 무료로 제공해주는 Landsat-8 OLI/TIRS 자료를 이용하였다. 조사기간 중에서 기상에 따른 제약조건 때문에 가장 지상상태를 잘 반영하는 촬영일자로 2013년 3월 27일, 2013년 11월 12일, 2014년 5월 30일, 2014년 10월 5일을 선정하였고 위성영상 자료 분석은 USGS 사용자 매뉴얼을 참고하여 R 통계프로그램을 활용하였다(Ghosh and Hijmans, 2019; USGS, 2019).

Landsat-8 자료는 1972년부터 시작된 원격탐사 위성의 연속된 계획 중 가장 최근자료이며 태양광에 의한 전지구상의 모든 영상을 OLI(operational land imager)와 TIRS(thermal infrared sensor)의 이미지 스캐너를 통해 비교적 높은 해상도의 자료를 획득하여 72시간 내에 일반사용자가 무료로 다운로드 할 수 있게 운영되고 있다.

Landsat-8는 705 km 상공에서 185 km 너비의 Scenes을 하루에 650번 촬영하면서 15일에 한 번씩 동일지점을 지나간다. 기존의 Landsat-7 ETM+의 밴드에서 0.825 µm에서 나타나는 수증기 입자에 의한 영향을 최소화하고 식생지역과 비식생지역의 대비를 크게 하기 위해 근적외선 파장과 Panchromatic 파장의 영역대를 좁혔고, 해양을 관찰하고 얼음결정으로 구성된 얕은 구름층이 인지되는 것을 피하기 위해 Coastal/Aerosol 밴드와 Cirrus 밴드를 추가하였다(Table 5).

Table 5. Landsat-8 OLI and TIRS spectral bands compared to ETM+ Spectral bands (modified from USGS, 2019)

JJGHBG_2020_v30n3_347_t0005.png 이미지

Note. NIR: abbreviation of near infrared image, SWIR: abbreviation of short-wave infrared image, TIR: abbreviation of thermal infrared image, Pan: abbreviation of panchromatic image.

Landsat-8의 식생과 토지와 관련된 밴드 2~5에 대해 16비트 정수형 센서의 디지털 번호(DN)를 센서의 분광 복사휘도 (spectral radiance)와 대기 상층의 반사도(top of atmosphere reflectance, TOA)로 변환한 후 대기보정을 수행하였다.

수행된 센서의 분광 복사휘도 보정식과 대기 상층에서 반사도 보정식은 다음과 같다.

\(L_{\lambda}=M L \cdot Q_{c a l}+A_{L}\)       (1)

\(\rho_{\lambda}^{\prime}=M_{\rho} \cdot Q_{c a l}+A_{\rho}\)       (2)

\(\rho_{\lambda}=\frac{\rho_{\lambda}^{\prime}}{\cos \left(\theta_{S Z}\right)}=\frac{\rho_{\lambda}^{\prime}}{\sin \left(\theta_{S E}\right)}\)       (3)

여기서, \(L_{\lambda}\)는 분광복사휘도로서 단위는 \(W /\left(m^{2} \cdot s r \cdot \mu m\right), M_{L}\)은 메타파일의 밴드별 복사휘도 계수, \(A_{L}\)은 메타파일의 밴드별 복사휘도 상수, \(Q_{\text {cal }}\)는 디지털 번호로서 보정전 영상의 화소값, \(\rho_{\lambda}^{\prime}\)′는 태앙각 보정전 대기 상층에서의 분광 반사도, \(M_{\rho}\)는 메타파일의 밴드별 반사도 계수, \(A_{\rho}\)는 메타파일의 밴드별 반사도 상수, \(\rho_{\lambda}\)는 태양각 보정 후 대기 상층에서의 반사도, \(\theta_{S E}\)는 메타파일의 지역별 화면당 태양고도각, \(\theta_{S Z}\)은 메타파일의 지역별 최대 태양고도각으로 \(\theta_{S Z}=90^{\circ}-\theta_{S E}\)관계에 있다.

따라서 식생과 토양을 분석하기 위해서 위성영상자료의 메타파일에서 밴드별 보정관련 정보를 활용하여 보정을 수행하였다(Fig. 6). 이를 수행하기 위해 2017년 Alexandre dos Santos가 R 프로그래밍언어로 구축한 Landsat-8 패키지를 사용하였다(Santos, 2017). 디지털 번호를 센서에서의 분광복사휘도와 대기 상층에서의 반사도로 변환 후 밴드별 haze 평가를 수행하였고(Goslee, 2011), 1989년 Chavez가 구축한 sodas 방법을 사용하여 대기보정을 통해 대기 상층에서의 반사값을 지표에서의 반사값으로 변환하였다.

JJGHBG_2020_v30n3_347_f0006.png 이미지

Fig. 6. Results of automatic haze estimation for atmospheric correction.

대기 보정후 위성영상의 밴드별 조합을 통해 다양한 주제도를 작성하였다(Figs. 7, 8).

JJGHBG_2020_v30n3_347_f0007.png 이미지

Fig. 7. Comparison of natural and false color map by composite bands in 2013.

JJGHBG_2020_v30n3_347_f0008.png 이미지

Fig. 8. Comparison of natural and false color map by composite bands in 2014.

밴드 4, 3, 2 조합으로 자연색의 위성영상 분포도를 작성하였고 밴드 5, 4, 3 조합으로 토양의 수분상태를 고려하여 식생과 그 외 토지피복을 구분할 수 있는 위성영상 분포도를 작성하였다.

상기 위성영상에서 무작위로 10,000개의 샘플을 추출하여 밴드별 주성분 분석을 수행하였다(Figs. 9, 10, Tables 6~9).

JJGHBG_2020_v30n3_347_f0009.png 이미지

Fig. 9. Comparison of 1st and 2nd principle area map according to principle components analysis in 2013.

JJGHBG_2020_v30n3_347_f0010.png 이미지

Fig. 10. Comparison of 1st and 2nd principle area map according to principle components analysis in 2014.

Table 6. Results of principle component analysis for Landsat-8 data on 27 Mar. 2013

JJGHBG_2020_v30n3_347_t0006.png 이미지

Table 7. Results of principle component analysis for Landsat-8 data on 27 Nov. 2013

JJGHBG_2020_v30n3_347_t0007.png 이미지

Table 8. Results of principle component analysis for Landsat-8 data on 30 May 2014

JJGHBG_2020_v30n3_347_t0008.png 이미지

Table 9. Results of principle component analysis for Landsat-8 data on 5 Oct. 2014

JJGHBG_2020_v30n3_347_t0009.png 이미지

제1 주성분(PC1)을 통해 추출된 지역과 제2 주성분(PC2)를 통해 추출된 지역에 대해 비교한 결과, 2013년 11월 영상 하단부의 구름흔적을 제외하면 2013년 3월과 11월에는 PC1영역이 주로 산림지역이고 PC2영역이 산림외 지역인 반면, 2014년 5월과 10월에는 PC1영역이 산림외 지역으로 전환되며, PC2영역은 주로 수계나 지표에서 수분이 상대적으로 많은 지역인 것으로 나타난다.

따라서 토양과 식생에 대한 보다 정밀한 영상 분석을 위해 위성영상의 밴드 3과 밴드 4를 도시하여 관측일자별 조사지역의 토양-식생 관계식(bare soil line)을 추정하였다(Table 10, Fig. 11).

Table 10. The intercept, slope and full canopy about bare soil line in 2013 and 2014

JJGHBG_2020_v30n3_347_t0010.png 이미지

JJGHBG_2020_v30n3_347_f0011.png 이미지

Fig. 11. Comparison of bare soil line on the season in 2013~2014.

Red-NIR 분포에서 토양-식생관계식의 하단 전반부는 습윤한 토양상태를 반영하며 하단 후반부로 갈수록 건조한 상태를 나타낸다. 토양-식생관계식의 하단에서 상단으로 갈수록 식생밀도가 높게 나타나며 첨두점은 고밀도 식생의 캐노피를 반영한다(Koroleva et al., 2017).

아울러 토양관계식의 기울기와 상수값을 이용하여 수직식생지수(perpendicular vegetation index, PVI)를 작성하고 기존의 정규식생지수(normalized difference vegetation index, NDVI), 정규경작지수(normalized difference tillage index, NDTI), 정규나지지수(normalized difference residue index, NDRI)와 비교하였다(Table 11, Figs. 12~15).

Table 11. Spectral indices for vegetation, tillage, crop residue discrimination

JJGHBG_2020_v30n3_347_t0011.png 이미지

JJGHBG_2020_v30n3_347_f0012.png 이미지

Fig. 12. Comparison of index map about vegetation, tillage and residue on Mar. 2013.

JJGHBG_2020_v30n3_347_f0013.png 이미지

Fig. 13. Comparison of index map about vegetation, tillage and residue on Nov. 2013.

JJGHBG_2020_v30n3_347_f0014.png 이미지

Fig. 14. Comparison of index map about vegetation, tillage and residue on May 2014.

JJGHBG_2020_v30n3_347_f0015.png 이미지

Fig. 15. Comparison of index map about vegetation, tillage and residue on Oct. 2014.

지하수 함양량-위성영상 공간분포 빈도 분석

2005~2013년까지 3월, 5월, 10월, 11월 평균 지하수 함양량분포와 2013년과 2014년의 해당 월의 위성영상 자료를 가지고 공간분포에 따른 빈도분석을 수행하였다(Figs. 16~19).

지하수 함양량 격자와 위성영상 격자간 같은 위치에서 서로 중첩되도록 하기위해 격자간격 300 m인 지하수 함양량에 맞도록 30 m간격의 위성영상 격자크기를 조정하였다. 위성영상 격자크기 조정은 300 m 격자크기 내 해당격자의 평균값을 대표값으로 갖도록 수행하였고 이를 토대로 각 시기별 공간상의 함양량과 각각의 식생관련 지수값(PVI, NDVI, NDTI, NDRI)의 빈도분포를 비교해 보았다.

JJGHBG_2020_v30n3_347_f0016.png 이미지

Fig. 16. Frequency of index values about vegetation, tillage and residue on Mar. 2013.

JJGHBG_2020_v30n3_347_f0017.png 이미지

Fig. 17. Frequency of index values about vegetation, tillage and residue on Nov. 2013.

JJGHBG_2020_v30n3_347_f0018.png 이미지

Fig. 18. Frequency of index values about vegetation, tillage and residue on May 2014.

JJGHBG_2020_v30n3_347_f0019.png 이미지

Fig. 19. Frequency of index values about vegetation, tillage and residue on Oct. 2014.

공간분포에 대한 빈도분석 결과 함양분포는 공간상에서 정규분포에서 벗어나는 양상인 반면, 토양과 식생상태를 반영하는 지수값(PVI, NDVI, NDTI, NDRI)은 지수마다 일정한 분포를 나타내고 있다. 토양과 식생상태를 모두 반영한 PVI값들은 모든 시기에서 0.1~0.5 이내의 범위 내 정규분포형태를 나타내고 있다. 반면, 토지경작상태를 반영한 NDTI 값들은 2013년 3월, 5월에는 PVI와 비슷한 범위 내에서 정규분포 형태를 나타내고 2014년 10월, 11월에는 0.5까지 범위가 확대되면서 첨두점이 하나 더 나타나는 양상이다.

NDVI의 분포양상은 NDTI와 비슷한 비정규 분포이면서 두 개의 첨두점이 나타나는 경향이며 모든 시기에서 첨두점이 0.6~1 사이에 분포한다. 반면에 NDRI는 -0.6~0사이에 분포하며 2013년 3월, 2013년 11월에는 -0.2를 기준으로 정규분포형태를 나타내고 있다. 전체적으로 갈수기인 3월과 11월에서 NDVI를 제외하고 정규분포형태를 나타내고 있다.

지하수 함양량-위성영상 상관성 분석

동일한 격자상에서 지하수 함양량 값과 PVI, NDVI, NDTI, NDRI값에 대해 회귀분석을 수행하였다(Figs. 20~23, Tables 12~15).

JJGHBG_2020_v30n3_347_f0020.png 이미지

Fig. 20. Regression analysis of index values about vegetation, tillage and residue on Mar. 2013.

Table 12. Coefficient of 1st order regression equation for groundwater recharge on Mar. 2013

JJGHBG_2020_v30n3_347_t0012.png 이미지

JJGHBG_2020_v30n3_347_f0021.png 이미지

Fig. 21. Frequency of index values about vegetation, tillage and residue on Nov. 2013.

Table 13. Coefficient of 1st order regression equation for groundwater recharge on Nov. 2013

JJGHBG_2020_v30n3_347_t0013.png 이미지

JJGHBG_2020_v30n3_347_f0022.png 이미지

Fig. 22. Frequency of index values about vegetation, tillage and residue on May 2014.

Table 14. Coefficient of 1st order regression equation for groundwater recharge on May 2014

JJGHBG_2020_v30n3_347_t0014.png 이미지

JJGHBG_2020_v30n3_347_f0023.png 이미지

Fig. 23. Frequency of index values about vegetation, tillage and residue on Oct. 2014.

Table 15. Coefficient of 1st order regression equation for groundwater recharge on Oct. 2014

JJGHBG_2020_v30n3_347_t0015.png 이미지

지하수 함양량에 대한 식생과 토양관련 지수에 대한 회귀분석 결과, PVI지수는 p-Value가 2.20E-16보다 큰 시기인 2013년 3월과 2014년 10월을 제외하면 기울기가 상대적으로 크면서 유의한 양의 상관성을 나타내고 있고, NDVI는 모든 시기에 대해 기울기가 상대적으로 작으면서 매우 유의한 양의 상관성을 나타내고 있다. NDTI는 모든 시기에 대해 기울기의 범위가 가장 크면서 매우 유의한 양의 상관성을 나타내고 있다. NDRI는 이전 식생-토양 관련 지수와는 달리 음의 상관성을 나타내고 있다. 전반적으로 NDVI와 NDTI는 0과 절대값0.5를 기준으로 값의 후반부에서 함양량 분포가 높게 나타난 반면, NDRI와 PVI는 값의 전반부에서 함양량 분포가 높게 나타난다. 한편, 함양량 분포값이 가장 큰 5월에는 모든 식생-토양 관련 지수에서 하나의 변곡점을 가진 패턴을 보이고 있으며 이는 SWAT-MODFLOW의 월평균 강우량의 증감 양상으로 볼 때 상대적으로 강우가 증가한 시기에서 나타나는 경우로 판단된다.

결론

지하수함양은 매우 다양한 변수들이 서로 작용하여 복잡한 과정을 거치기 때문에 이를 추정하기 위한 다양한 연구가 이루어지고 있지만 수치모델링 접근 방법이 가장 효율적이면서 정량적인 값을 제시할 수 있는 실정이다. 따라서 이러한 수치모델링 접근 방법 중 하나인 SWAT-MODFLOW의 결과를 바탕으로 지하수 함양량과 위성영상간의 상관성을 분석하였다.

빈도분석 결과 지하수 함양량 분포 대비 토양-식생관련 PVI와 NDRI는 정규분포를 보이는 반면, NDVI와 NDTI는 비정규분포 양상을 띠고 있다. 한편, 회귀분석결과 지하수 함양량 대비 NDVI와 NDTI는 매우 유의한 양의 상관성을 나타내는 반면, PVI는 상관성이 작고 NDRI는 음의 상관성이 나타난다.

장성지역에 대한 위성영상 분석을 통해 토양-식생 관련식(Bard Soil Line, BSL)을 추정한 결과, 기울기는 약 1.092~1.343의 범위를 나타내고 있고, 절편은 약 -0.004~-0.015의 범위였다. 지난2005~2013년 동안 월평균 지하수 함양량이 상대적으로 작은 3월, 10월, 11월에는 고밀도 식생을 나타내는 Full Canopy 값은 Red 밴드가 약 0.024~0.039, NIR 밴드가 약 0.479~0.616으로 나타난 반면, 지하수 함양량이 증가하는 5월에는 Red 밴드가 약 0.113으로 전자에 비해 약 3~4배 정도 증가하는 것으로 나타났다. 장성지역에 대한 토양-식생관련 지수 중 NDVI는 지하수 함양 분포와의 회귀식에서 20.1~49.5 범위의 기울기와 -9.4~10.8 범위의 절편값을 나타내고 있으며 상대적으로 다른 지수에 비해 매우 유의한 양의 상관성을 가지고 있다.

기존의 선행연구를 보면, 강우량이 300 mm 이상인 2003년 인도 서부지방에서 지하수 함양과 NDVI의 그래프는 결정계수 0.8 이상의 포물선 형태의 상관성을 나타내고 있다(Singhal and Goyal, 2012). 본 연구에서는 지하수 함양량과 토양식생 관련 지수의 상관성 그래프에서 결정계수값은 최대 0.2 이하로 나타나고 있다. 그러나 본 연구지역의 2005~2013년간 월평균 강우량이 연중 증가하는 5월의 경우 일부 지수를 제외하면 나머지의 경우에서 모두 1개의 변곡점을 가지는 포물선형태의 상관성이 확인된다.

따라서 강우를 고려하여 지하수 함양과 NDVI에 대한 다양한 상황에서의 상관성 분석이 수행된다면 토양-식생관련 상관식을 통해 해당지역의 강우와 지하수 함양량의 추정도 가능할 것으로 기대한다. 또한 위성영상을 통해 토양과 식생분포의 변화를 추정하여 향후 기후변화에 따른 토양과 식생변화도 예측가능하며 이를 적용하여 지하수 함양량 산정 모델링의 입력값으로 활용한다면 현실성 있게 지하수 함양량을 산정할 수 있고 토양과 식생변화에 따른 지하수 함양량의 예측도 가능하리라 판단된다.

사사

본 연구는 환경부의 재원으로 한국환경산업기술원의 표토환경보전관리 기술개발사업의 지원을 받아 연구되었습니다 (2020002840003).

References

  1. Baret, F., Jacquemoud, S., Hanocq, J.F., 1993, About the soil line concept in remote sensing, Advances in Space Research 13(5), 281-284. https://doi.org/10.1016/0273-1177(93)90560-X
  2. Burke, D.G., Dawes, J., 2014, A novice experimental with satellite-based classification of agricultural crops and BMPs, Chesapeake Conservancy's Conservation Innovation Center, 6-8.
  3. Chung, I.M., Kim, N., Lee, C., 2015, Estimation of interception in Cheonmi watershed, Jeju Island, Journal of the Korean Society of Civil Engineers, 35(4), 815-820 (in Korean with English abstract). https://doi.org/10.12652/Ksce.2015.35.4.0815
  4. Chung, I.M., Kim, N., Lee, C.W., 2007, Estimation of groundwater recharge by considering runoff process and groundwater level variation in watershed, Journal of Soil and Groundwater Environment, 12(5), 19-32 (in Korean with English abstract).
  5. Chung, I.M., Park, S., Lee, J., Kim, M., 2018, Estimation of distributed groundwater recharge in Jangseong district by using integrated hydrologic model, Journal of the Korean Society of Civil Engineers, 38(4), 517-526 (in Korean with English abstract). https://doi.org/10.12652/KSCE.2018.38.4.0517
  6. Dematte, J.A.M., Huete, A.R., Ferreira Jr., L.G., Nanni, M.R., Alves, M.C., Fiorio, P.R., 2009, Methodolody for bare soil detection and discrimination by Landsat TM image, The Open Remote Sensing Journal, 2(1), 24-35. https://doi.org/10.2174/1875413901002010024
  7. Ghosh, A., Hijmans, R.J., 2019, Remote sensing image analysis with R, 3-30.
  8. Goslee, S.C., 2011, Analyzing remote sensing data in R: The landsat package, Journal of Statistical Software, 43(4), 1-14. https://doi.org/10.18637/jss.v043.i04
  9. Healy, R.W., 2010, Estimating groundwater recharge, Cambridge University Press, 9-11.
  10. Jinno, K., Tsutsumi, A., Alkaeed, O., Saita, S., Berndtsson, R., 2009, Effects of land-use change on groundwater recharge model parameters, Hydrological Sciences Journal, 54(2), 300-315. https://doi.org/10.1623/hysj.54.2.300
  11. Koroleva, P., Rukhovich, D., Rukhovich, A., Rukhovich, D., Kulyanitsa, A., Trubnikov, A., Kalinina, N., Simakova, M., 2017, Location of bare soil surface and soil line on the RED-NIR spectral plane, Eurasian Soil Science, 50(12), 1375-1385. https://doi.org/10.1134/S1064229317100040
  12. Memon, B.A., 1995, Quantitative analysis of springs, Environmental Geology, 26, 111-120. https://doi.org/10.1007/BF00768324
  13. Mohan, C., Western, A.W., Wei, Y., Saft, M., 2018, Predicting groundwater recharge for varying land cover and climate conditions-a global meta-study, Hydrology and Earth System Sciences Discussions, 22, 2689-2703. https://doi.org/10.5194/hess-22-2689-2018
  14. MOLIT, 2014, The basic groundwater investigation in Jangseong, Appendix I, 5, 61-78.
  15. Perry, Jr., C.R., Lautenschlager, L.F., 1984, Functional equivalence of spectral vegetation indices, Remote Sensing of Environment, 14(1-3), 169-182. https://doi.org/10.1016/0034-4257(84)90013-0
  16. Richardson, A.J., Wiegand, C.L., 1977, Distinguishing vegetation from soil background information, Photogrammetric Engineering and Remote Sensing, 43(12), 1541-1552.
  17. Rouse, J.W., Hass, R.H., Schell, J.A., Deering, D.W., 1973, Monitoring vegetation systems in the Great Plains with ERTS, Third ERTS Symposium, Vol. I, 309-312.
  18. Rukundo, E., Dogan, A., 2019, Dominant influencing factors of groundwater recharge spatial patterns in Ergene river catchment, Turkey, Water, 11(653), 1-25.
  19. Santos, A., 2017, Package 'landsat8', 1-7.
  20. Scanlon, B.R., Reedy, R.C., Stonestrom, D.A., Prudic, D.E., Dennehy, K.F., 2005, Impact of land use and land cover on groundwater recharge and quality in the southwestern US, Global Change Biology, 11(10), 1577-1593. https://doi.org/10.1111/j.1365-2486.2005.01026.x
  21. Serbin, G., Daughtry, C.S.T., Hunt, Jr., E.R., Brown, D.J., McCarty, G.W., 2009, Effect on soil spectral properties on remote sensing of crop residue cover, Soil Science Society of America Journal, 73(5), 1545-1558. https://doi.org/10.2136/sssaj2008.0311
  22. Singhal, V., Goyal, R., 2012, A methodology based on spatial distribution of parameters for understanding affect of rainfall and vegetation density on groundwater recharge, European Journal of Sustainable Development, 1(2), 85-96. https://doi.org/10.14207/ejsd.2012.v1n2p85
  23. Sonmez, N.K., Slater, B., 2016, Measuring intensity of tillage and plant residue cover using remote sensing, European Journal of Remote Sensing, 49, 121p. https://doi.org/10.5721/EuJRS20164907
  24. Tsutsumi, A., Jinno, K., Berndtsson, R., 2004, Surface and subsurface water balance estimation by the groundwater recharge model and a 3-D two-phase flow model, Hydrological Sciences Journal, 49(2), 205-226. https://doi.org/10.1623/hysj.49.2.205.34837
  25. USGS, 2019, Landsat 8 data users handbook, 1-99.
  26. van Deventer, A.P., Ward, A.D., Gowda, P.H., Lyon, J.G., 1997, Using Thematic Mapper data to identify contrasting soil plains and tillage practices, Photogrammetric Engineering and Remote Sensing, 63(1), 87-93.